源码包含：完整 YOLOv8 训练代码+2 万张数据集(带标注)+权重文件+直接可允许检测的 yolo 检测程序+直接部署教程/训练教程。源码见文末

基本功能演示

哔哩哔哩：https://www.bilibili.com/video/BV1dv7HzSEbu/

项目摘要

本项目集成了 YOLOv8 金属表面缺陷检测模型 与 PyQt5 图形界面工具，支持对 6 类金属表面缺陷 进行识别，具备以下核心功能：

• 支持检测输入类型：图片、文件夹、视频、摄像头

• PyQt5 编写的图形化用户界面（GUI），操作简洁

• 提供完整的模型训练脚本与推理流程

• 开箱即用，适合金属检测类工业项目快速部署

项目打包包含完整源码、训练数据集、模型文件及可视化界面程序， 源码附文末。

前言

金属表面缺陷检测在制造业中尤为关键，传统方法依赖人工巡检，不仅效率低且误差高。本项目通过集成 YOLOv8 深度学习目标检测算法，结合简洁易用的 PyQt5 可视化界面，实现端到端的一体化缺陷检测系统。用户无需复杂配置，即可快速部署应用到工厂产线，进行包括 划痕、裂纹、凹坑、氧化斑、油渍、起泡 在内的六种常见金属缺陷识别。

一、软件核心功能介绍及效果演示

该系统基于 Ultralytics 发布的 YOLOv8，完成如下集成功能：

二、软件效果演示

为了直观展示本系统的检测能力，我们设置了多种演示模式：

（1）单图片检测演示

用户可通过界面按钮加载任意一张金属表面图片，系统将调用 YOLOv8 模型自动识别其中缺陷类别与位置，并在图片上框出对应区域，如下图所示：

（2）多图片文件夹检测演示

支持选择一个文件夹，对其内所有图片进行批量推理。检测结果自动保存至指定目录，适合工业级离线检测流程。

（3）视频检测演示

系统支持加载本地视频文件（.mp4、.avi 等），检测结果以视频帧叠加方式实时展示，并可导出检测后的视频文件。

（4）摄像头检测演示

通过摄像头实时流检测，适用于车间在线巡检场景。系统可调用系统默认摄像头，支持边缘端设备部署。摄像头模式与视频相同，不做详细演示

（5）保存图片与视频检测结果

无论是图像、文件夹、视频或摄像头，系统都可将检测结果自动保存为新图像/视频，方便用户后续查看与评估。

三、模型的训练、评估与推理

YOLOv8 是 Ultralytics 公司发布的新一代目标检测模型，采用更轻量的架构、更先进的损失函数（如 CIoU、TaskAlignedAssigner）与 Anchor-Free 策略，在 COCO 等数据集上表现优异。其核心优势如下：

• 高速推理，适合实时检测任务

• 支持 Anchor-Free 检测

• 支持可扩展的 Backbone 和 Neck 结构

• 原生支持 ONNX 导出与部署

3.1 YOLOv8 的基本原理

YOLOv8 是 Ultralytics 发布的新一代实时目标检测模型，具备如下优势：

• 速度快：推理速度提升明显；

• 准确率高：支持 Anchor-Free 架构；

• 支持分类/检测/分割/姿态多任务；

• 本项目使用 YOLOv8 的 Detection 分支，训练时每类表情均标注为独立目标。

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面具有尖端性能。在以往 YOLO 版本的基础上，YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

YOLOv8 原理图如下：

3.2 数据集准备与训练

采用 YOLO 格式的数据集结构如下：

dataset/├── images/│   ├── train/│   └── val/├── labels/│   ├── train/│   └── val/

每张图像有对应的 .txt 文件，内容格式为：

4 0.5096721233576642 0.352838390077821 0.3947600423357664 0.31825755058365757

分类包括（可自定义）：6 种类别

nc: 6  # 类别数量names:  0: crazing  1: inclusion  2: patches  3: pitted_surface  4: rolled-in_scale  5: scratches

裂纹、夹杂、斑块、凹坑表面、压入氧化皮、划痕

3.3. 训练结果评估

训练完成后，将在 runs/detect/train 目录生成结果文件，包括：

• results.png：损失曲线和 mAP 曲线；

• weights/best.pt：最佳模型权重；

• confusion_matrix.png：混淆矩阵分析图。

若 mAP@0.5 达到 90% 以上，即可用于部署。

在深度学习领域，我们通常通过观察损失函数下降的曲线来评估模型的训练状态。YOLOv8 训练过程中，主要包含三种损失：定位损失（box_loss）、分类损失（cls_loss）和动态特征损失（dfl_loss）。训练完成后，相关的训练记录和结果文件会保存在 runs/目录下，具体内容如下：

3.4 检测结果识别

使用 PyTorch 推理接口加载模型：

import cv2from ultralytics import YOLOimport torchfrom torch.serialization import safe_globalsfrom ultralytics.nn.tasks import DetectionModel
# 加入可信模型结构safe_globals().add(DetectionModel)
# 加载模型并推理model = YOLO('runs/detect/train/weights/best.pt')results = model('test.jpg', save=True, conf=0.25)
# 获取保存后的图像路径# 默认保存到 runs/detect/predict/ 目录save_path = results[0].save_dir / results[0].path.name
# 使用 OpenCV 加载并显示图像img = cv2.imread(str(save_path))cv2.imshow('Detection Result', img)cv2.waitKey(0)cv2.destroyAllWindows()

预测结果包含类别、置信度、边框坐标等信息。

四.YOLOV8+YOLOUI 完整源码打包

本文涉及到的完整全部程序文件：包括 python 源码、数据集、训练代码、UI 文件、测试图片视频等（见下图），获取方式见【4.2 完整源码下载】：

4.1 项目开箱即用

作者已将整个工程打包。包含已训练完成的权重，读者可不用自行训练直接运行检测。

运行项目只需输入下面命令。

python main.py

读者也可自行配置训练集，或使用打包好的数据集直接训练。

自行训练项目只需输入下面命令。

yolo detect train data=datasets/expression/loopy.yaml model=yolov8n.yaml pretrained=yolov8n.pt epochs=100 batch=16 lr0=0.001

4.2 完整源码下载

💾 Gitee 项目地址：https://gitee.com/goodnsxxc/yolo-main

也可至项目实录视频下方获取：https://www.bilibili.com/video/BV1dv7HzSEbu/

包含：

📦完整项目源码

📦 预训练模型权重

🗂️ 数据集地址（含标注脚本）

总结

本项目充分结合了 YOLOv8 高性能目标检测算法与 PyQt5 图形化界面，实现了对金属表面六类常见缺陷的高效识别，包括划痕、裂纹、凹坑、氧化斑、油渍与起泡等。项目集成了完整的数据训练流程、推理机制与界面交互设计，不仅支持图像、视频、摄像头等多种输入源，还能将检测结果可视化保存，适用于实际工业应用场景。

通过搭建友好的用户操作界面，即便非技术背景用户也可实现模型部署与缺陷检测。配套的数据集、训练脚本与可执行文件，进一步降低了部署门槛。无论是研发测试还是生产线集成，本项目都可开箱即用，具备极强的实用性与可扩展性。

本项目展示了深度学习与工业智能检测的良好结合路径，是人工智能赋能制造业的优秀实践案例。